論文の概要: Multicriteria Recommendation System by Leveraging Predefined, Implicit, and Undefined Criteria

• arxiv url: http://arxiv.org/abs/2611.02040v1
• Date: Sun, 01 Nov 2026 16:37:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:11:34.005269
• Title: Multicriteria Recommendation System by Leveraging Predefined, Implicit, and Undefined Criteria
• Title（参考訳）: 事前定義・暗黙・未定義基準の活用による多基準勧告システム
• Abstract要約: レコメンデーションシステムでは、レコメンデーションタスクには、ユーザの好みとアイテム属性が、レビューから学習され、レコメンデーションタスクには基準レーティングが使用される。 これらの定義済みのドメイン固有の明示的な基準は、多面的ユーザの好みを完全に捉えるには不十分である可能性がある。 本稿では,事前定義,暗黙的,未定義の基準を取り入れた新しいマルチ基準レコメンデーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 1.4471886128132525
• License:
• Abstract: Data sparsity, a long-standing problem in the recommendation system, occurs when the user-item utility matrix is sparse. For years, many approaches have been experimented with, including utilizing user's textual reviews and multiple criteria ratings. In a review-based recommendation system, user preferences and item attributes are learned from reviews, while in multi-criteria recommendation systems, criteria ratings are used for the recommendation task. Multi-criteria are domain-specific pre-defined explicit criteria and users are bound to provide feedback only on these criteria with discrete values. On the contrary, users are free to express their opinions through textual reviews, which can cover multiple perspectives or aspects. It is possible that these pre-defined, domain-specific explicit criteria are not enough to fully capture the multi-faceted user preferences. To this end, we propose a novel multi-criteria recommendation model that utilizes predefined, implicit, and undefined criteria. We use a semantic similarity-based sentence clustering method to identify the predefined and implicit criteria and a sentiment analyzer to estimate their ratings. The criteria that are extracted from the review and are aligned with predefined criteria are referred to as implicit criteria. A sentence is considered as expressing opinions on an undefined criterion if the similarity score between this sentence and all the predefined criteria is lower than a predefined threshold. Ratings are computed for each extracted implicit criterion and the undefined criterion based on the review content. Finally, we use all three types of criteria and an aggregation model to make the final rating prediction for the recommendation system. Our proposed method demonstrates the superiority compared to several baselines on TripAdvisor and Beer Advocate datasets.
• Abstract（参考訳）: データスパシティ(Data sparsity)は、リコメンデーションシステムにおける長年の問題であり、ユーザイテムユーティリティマトリックスがスパースであるときに発生する。 長年にわたり、ユーザのテキストレビューや複数の基準評価など、多くのアプローチが実験されてきた。 レビューベースレコメンデーションシステムでは、レビューからユーザの好みやアイテム属性を学習し、マルチ基準レコメンデーションシステムでは、レコメンデーションタスクに基準評価を使用する。 マルチ基準は、ドメイン固有の定義済みの明確な基準であり、ユーザは、これらの基準に対してのみ、個別の値でフィードバックを提供することが義務付けられている。 それとは対照的に、ユーザはテキストレビューを通じて自由に意見を表現でき、複数の視点や側面をカバーできる。 これらの定義済みのドメイン固有の明示的な基準は、多面的ユーザの好みを完全に捉えるには不十分である可能性がある。 そこで本研究では,事前定義,暗黙的,未定義の基準を取り入れた,新しいマルチ基準レコメンデーションモデルを提案する。 意味的類似度に基づく文クラスタリング手法を用いて、事前定義された暗黙の基準と感情分析器を同定し、その評価を推定する。 レビューから抽出され、事前定義された基準に適合する基準は、暗黙の基準と呼ばれる。 この文とすべての事前定義された基準との類似性スコアが、事前定義されたしきい値よりも低い場合、文は、未定義の基準についての意見を表現していると見なされる。 抽出された暗黙の基準と、レビュー内容に基づいて未定義の基準についてレーティングを算出する。 最後に,3種類の基準とアグリゲーションモデルを用いて,レコメンデーションシステムの最終的な評価予測を行う。 提案手法は,TripAdvisor と Beer Advocate のデータセットのベースラインに比べて優れていることを示す。

関連論文リスト

• Evaluating Criterion-Conditioned Behaviour of Large Language Models in Content Moderation [1.3629559589878444]
  本研究では,大規模言語モデル (LLM) が条件付き行動を示すか否かを検討する。 強いベンチマークパフォーマンスは、基準レベルではかなりの失敗を隠す可能性がある。 これらの知見は、基準条件付き行動を明示的に測定する評価方法の開発を促すものである。
  論文  参考訳（メタデータ） (2026-09-03T13:17:38Z)
• CriterAlign: Criterion-Centric Rationale Alignment for Code Preference Judging [95.02210956333374]
  本稿では,一対の選好評価にルーブリックに基づく判断を適応させる基準中心のフレームワークを提案する。 BigCodeRewardでは、CriterAlignはQwen2.5-VL-32Bモノリシック判事を60.4%から66.3%に改善した。
  論文  参考訳（メタデータ） (2026-05-19T10:59:19Z)
• LOTUS: A Leaderboard for Detailed Image Captioning from Quality to Societal Bias and User Preferences [91.13704541413551]
  LOTUSは詳細なキャプションを評価するためのリーダーボードである。 キャプションの品質など、様々な側面を包括的に評価する。 多様なユーザの嗜好に基準を合わせることで、嗜好指向の評価を可能にする。
  論文  参考訳（メタデータ） (2025-07-25T15:12:42Z)
• EvalAgent: Discovering Implicit Evaluation Criteria from the Web [82.82096383262068]
  EvalAgentは、ニュアンスとタスク固有の基準を自動的に発見するように設計されたフレームワークである。 EvalAgentは、さまざまな長期評価基準を提案するために、専門家が作成したオンラインガイダンスをマイニングしている。 我々の実験では、EvalAgentが生み出す基準は暗黙的だが具体的であることが示されている。
  論文  参考訳（メタデータ） (2025-04-21T16:43:50Z)
• Contextualized Evaluations: Judging Language Model Responses to Underspecified Queries [85.81295563405433]
  本稿では,不特定クエリを取り巻くコンテキストを合成的に構築し,評価中にそれを提供するプロトコルを提案する。 その結果,1) 評価から得られた結論の変更,2) モデルペア間のベンチマークランキングの反転,2) スタイルのような表面レベルの基準に基づいて判断を下すナッジ評価,3) 多様なコンテキスト間でのモデル行動に関する新たな洞察の提供,などが確認できた。
  論文  参考訳（メタデータ） (2024-11-11T18:58:38Z)
• How Trustworthy are Performance Evaluations for Basic Vision Tasks? [46.0590176230731]
  本稿では,オブジェクトの集合,オブジェクト検出,インスタンスレベルのセグメンテーション,マルチオブジェクトトラッキングを含む基本的な視覚タスクの性能評価基準について検討する。 既存の基準によるアルゴリズムのランキングは、パラメータの選択によって変動し、その評価が信頼できない。 この研究は、(i)信頼性のパラメータに対する堅牢性、(ii)健全性テストにおける文脈意味性、(iii)計量特性のような数学的要求との整合性を必要とする性能基準に対する信頼性の概念を示唆する。
  論文  参考訳（メタデータ） (2020-08-08T14:21:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。